Artículos Relacionados con Agentes IA

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Agentes IA", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

El ejército nocturno de IA del creador de Claude Code: construye con dos comandos de Fable 5

En el último año, Boris Cherny, creador de Claude Code, no ha escrito personalmente una sola línea de código. En su lugar, gestiona un "ejército" de cientos, incluso miles, de agentes de IA que trabajan para él día y noche, manejando proyectos completos y enviando decenas de pull requests (PR) diariamente. Su secreto es el uso sistemático de "Loops" (bucles) y comandos como `/goal`, que permiten a la IA trabajar de forma autónoma hacia un objetivo definido y validar su propio trabajo. Cherny describe una evolución fundamental: el programador ya no escribe código, sino que diseña sistemas automatizados que lo generan y revisan. En Anthropic, esta práctica es común, con IAs colaborando incluso en Slack para dividir tareas. La clave para que este sistema funcione sin generar caos es un mecanismo de "verificación" independiente, donde un modelo supervisor evalúa si se ha alcanzado el objetivo, asegurando la calidad. Este paradigma está ahora al alcance de todos con herramientas como Fable 5 de Claude. Este modelo se distingue por su capacidad para trabajar de forma autónoma durante días, auto-verificarse y comprender gráficos complejos. Para aprovecharlo al máximo, los usuarios deben dominar dos comandos: `/goal`, para tareas con un fin específico, y `/loop`, para tareas periódicas y repetitivas. Además, es crucial configurar un sistema de contexto local (por ejemplo, con archivos markdown que definan el negocio, preferencias e instrucciones) para que la IA "recuerde" al usuario y su contexto entre sesiones. En resumen, la escasez ya no está en la capacidad de ejecutar código, sino en la habilidad humana para diseñar sistemas y definir con precisión qué significa "tarea completada" para la IA.

marsbit07/20 00:27

El ejército nocturno de IA del creador de Claude Code: construye con dos comandos de Fable 5

marsbit07/20 00:27

Xing Bo vuelve a actuar: después de 'criticar' los modelos mundiales, ahora le toca a los agentes inteligentes

L'any passat, el professor Xing Bo de MBZUAI i CMU va criticar els models mundials. Ara, ell i els seus col·legues publiquen "Crítica del Model d'Agent" a arXiv, qüestionant el terme sobretitlitzat "agent" en IA. El treball distingeix entre sistemes "agentics" (amb aparença d'agent) i "agentius" (veritablement autònoms), argumentant que la majoria dels anomenats agents actuals només segueixen fluxos de treball i indicacions externes, sense autonomia real. L'article analitza cinc dimensions clau: objectius, identitat, presa de decisions, profunditat del raonament i aprenentatge. Proposa que un agent veritable hauria de descompondre objectius a llarg termini, ajustar la seva identitat amb l'experiència, utilitzar models mundials per a una planificació simulada, tenir un mòdul metacognitiu (anomenat Sistema III) per regular la profunditat del pensament i aprendre de manera autònoma i contínua. Com a solució, presenta l'arquitectura GIC (Goal-Identity-Configurator), que integra sis components: un codificador de creences, un descomponedor d'objectius, un evolucionador d'identitat, un configurador (Sistema III), un planificador simulat (Sistema II) i un executor (Sistema I). Aquesta estructura pretén internalitzar l'autonomia. Finalment, el document aborda la seguretat, argumentant que en GIC, els comportaments problemàtics es poden atribuir a objectius humans incorrects o mòduls mal entrenats. Destaca la "revisabilitat" de la seva arquitectura modular com a avantatge clau per a la seguretat, tot i admetre que el repte de formar correctament aquests mòduls persisteix.

marsbit07/01 11:30

Xing Bo vuelve a actuar: después de 'criticar' los modelos mundiales, ahora le toca a los agentes inteligentes

marsbit07/01 11:30

Los creadores de ChatGPT ya no usan ChatGPT para trabajar

Los creadores de ChatGPT ya no lo utilizan para trabajar. En su lugar, OpenAI ha adoptado de forma masiva el agente de IA "Codex", que ahora genera el 99,8% de los tokens de salida semanales de la empresa, frente a menos del 10% hace solo 10 meses. Codex, impulsado por GPT-5.5, ha evolucionado de una herramienta de codificación a un agente autónomo capaz de manejar flujos de trabajo completos y prolongados, desde tareas legales y financieras hasta ingeniería. El cambio, acelerado desde septiembre del año pasado, es generalizado: ingenieros (99% de tokens), así como departamentos legales, financieros y de recursos humanos (más del 85% cada uno) utilizan Codex como herramienta principal. Su adopción crece más rápido entre usuarios no desarrolladores. Codex permite delegar tareas que requieren desde 30 minutos hasta más de 8 horas de trabajo humano, y el 25% de las tareas que realizan con él profesionales no técnicos implican programación, desdibujando los límites tradicionales entre roles. La transformación clave es el cambio de paradigma: de la interacción de preguntas y respuestas con un chatbot a la delegación de tareas complejas y de larga duración a un agente autónomo. Los usuarios más intensivos llegan a generar más de 60 horas de trabajo de agente en un solo día. Codex optimiza incluso su propia infraestructura. El informe sugiere que la futura ventaja competitiva residirá en la capacidad de delegar flujos de trabajo cada vez más extensos y críticos a los agentes de IA.

marsbit06/26 13:05

Los creadores de ChatGPT ya no usan ChatGPT para trabajar

marsbit06/26 13:05

Visión Profunda: La Inferencia Descentralizada no es Hype, es el Campo Clave para Romper el Monopolio Centralizado de la IA

**Análisis profundo: El razonamiento descentralizado no es exageración, es clave para romper el monopolio centralizado de la IA** Ante un hipotético escenario donde un modelo de IA puntero es prohibido en 2026, el artículo argumenta que el **razonamiento descentralizado** es fundamental como protección contra la censura, ya que los modelos de código abierto serían imposibles de eliminar por completo. Sin embargo, construir redes de inferencia descentralizadas viables implica superar **cuatro desafíos principales**: 1. **Escalabilidad:** Ejecutar modelos enormes dividiéndolos en múltiples GPUs (swarm), luchando contra la latencia de red con técnicas como decodificación especulativa. 2. **Verificación:** Probar que el nodo ejecutó el modelo correcto y no una versión más barata. Se analizan opciones como ZKML (lento), pruebas de fraude o huellas estadísticas, todas con concesiones entre integridad, coste y velocidad. 3. **Privacidad:** Proteger el "prompt" del usuario. El sharding por sí solo no garantiza privacidad; se requieren soluciones como Entornos de Ejecución Confiables (TEE) o cifrado totalmente homomórfico (FHE), aunque este último es aún costoso. 4. **Mercado viable:** Identificar clientes reales dispuestos a pagar (empresas, agentes de IA) y crear un mercado sostenible más allá de la especulación con tokens. El artículo revisa proyectos como **Dolphin Network** (pruebas de pesos en vivo), **Inference.net** (verificación estadística), **Morpheus** (TEE) o **Darkbloom** (para Macs), destacando que cada uno aborda los problemas de forma distinta. La **ventaja competitiva** de la inferencia descentralizada no está en la baja latencia (donde lo centralizado gana), sino en tareas por lotes que priorizan el rendimiento agregado y el coste marginal bajo, como la generación de datos sintéticos. Un **valor oculto** a largo plazo es el ciclo de datos: las redes de inferencia pueden generar datos valiosos (por ejemplo, de interacciones con agentes) para entrenar mejores modelos de código abierto, creando un círculo virtuoso con el entrenamiento descentralizado. Finalmente, ofrece una **lista de verificación** para evaluar proyectos, enfatizando la necesidad de una propuesta de valor clara para usuarios no cripto, un equipo con sólidas capacidades técnicas en IA y una comprensión realista de su mercado objetivo.

Foresight News06/23 10:43

Visión Profunda: La Inferencia Descentralizada no es Hype, es el Campo Clave para Romper el Monopolio Centralizado de la IA

Foresight News06/23 10:43

¿Qué sectores de la criptografía están siendo "devorados" por los Agentes de IA?

Si eres como nosotros, habrás notado que el panorama en el sector crypto ha cambiado. La atención ahora se centra en la IA y los Agentes AI. La industria está evolucionando hacia una capa "Agéntica" donde las interacciones automatizadas ganan terreno, aunque la actividad humana sigue siendo clave en ciertos ámbitos. **Sectores dominados por Agentes AI:** * **Derivados (Perpetuos):** Mercado claramente dominado por bots, con ventajas en velocidad y ejecución 24/7. En una competición reciente, el 43% de los traders humanos fueron liquidados, frente a un 0% de los agentes AI. * **Arbitraje (MEV):** Un caso absoluto de dominio robótico. En 2025, los ataques "sandwich" representaron más del 51% del valor total extraído en MEV. * **Optimización de Rendimientos (Yield):** Sectores donde los agentes autónomos son la norma, mostrando un rendimiento superior en plataformas como Giza o ZyFAI. * **Trading Spot y Gestión de Carteras:** Se estima que los bots automatizados representan alrededor del 65% del volumen global de trading de cripto. **Sectores en disputa (Agentes + Humanos):** * **Mercados de Predicción:** Los agentes superan a los humanos en arbitraje a corto plazo, pero los humanos mantienen ventaja en apuestas a más largo plazo que requieren juicio contextual. * **Préstamos DeFi:** Los procesos de liquidación están automatizados, pero las decisiones centrales de depósito, colateral y riesgo siguen siendo mayoritariamente humanas. **Sectores dominados por humanos:** * **Stablecoins y Pagos:** La gran mayoría de las transferencias (especialmente pequeñas) y el gasto con tarjetas vinculadas a cripto son realizados por personas para casos de uso reales (remesas, pagos). * **Wallets:** La capa final de interacción con la blockchain, donde la supervisión y aprobación humanas son esenciales para la seguridad y la confianza. **La capa de verificación Humano-Agente:** A medida que aumentan los agentes, crece la necesidad de verificar que actúan en nombre de humanos reales. Proyectos como World (con AgentKit), t54, Self Protocol y Kite AI están construyendo infraestructuras de confianza y seguridad para un ecosistema agéntico responsable, asegurando la rendición de cuentas y previniendo fraudes. **Conclusión:** Los datos son claros: los agentes AI dominan donde priman la velocidad y la optimización pura (trading, MEV, yield). Sin embargo, los humanos siguen siendo cruciales en áreas que requieren juicio, confianza, contexto cultural o interacción física (pagos, identidad, supervisión). El futuro no se trata de que los agentes reemplacen todo, sino de construir sistemas donde los agentes y los humanos puedan colaborar de forma segura y verificable.

Foresight News06/22 07:14

¿Qué sectores de la criptografía están siendo "devorados" por los Agentes de IA?

Foresight News06/22 07:14

Primer caso sobre agentes inteligentes: ¿Qué se decidió?

El 30 de abril, el Tribunal de Internet de Cantón emitió un fallo pionero en China contra un software de agente inteligente de código abierto, por eludir las medidas de protección técnica de una plataforma y realizar operaciones automatizadas sin autorización. El tribunal ordenó cesar su distribución, eliminar tutoriales y datos relacionados, estableciendo así un precedente legal clave. Este caso coincide con una demanda similar en EE. UU., donde Amazon demandó a Perplexity por razones análogas, obteniendo una orden judicial restrictiva. Ambas decisiones subrayan un principio emergente en la era de los agentes de IA: la necesidad de una **autorización dual** (usuario y plataforma) para operar legalmente. Los agentes que utilizan permisos de nivel de sistema, como los servicios de accesibilidad, para sortear las reglas de las aplicaciones, enfrentan ahora límites claros. Esto responde a preocupaciones sobre seguridad, privacidad y responsabilidad. El artículo también menciona la evolución del "teléfono Doubao", cuyo modelo inicial, similar al del software sancionado, ha migrado hacia la negociación de autorizaciones con plataformas como Alibaba, buscando la compatibilidad a través de APIs. Este cambio refleja una tendencia global: la **era del crecimiento salvaje de los agentes inteligentes ha terminado**, dando paso a una carrera por la conformidad legal. La conclusión es clara: el futuro de los agentes inteligentes dependerá de la cooperación y los acuerdos con las plataformas, no de eludir sus normas. La regulación está definiendo nuevas reglas del juego, priorizando la seguridad del usuario y la responsabilidad de la plataforma.

marsbit06/08 10:34

Primer caso sobre agentes inteligentes: ¿Qué se decidió?

marsbit06/08 10:34

Claude desborda los 500 millones, se multiplica por 60 en una noche, ¿tu factura de Tokens aún aguanta?

**Claude se dispara hasta 500 millones: ¿Tu factura de tokens aún resiste?** Un caso reciente revela que una empresa acumuló una factura de **500 millones de dólares en un mes** por usar Claude, tras olvidar establecer límites de uso para sus empleados. Este no es un incidente aislado: desde una clave API de Google Cloud mal protegida que generó una factura de 18.000 dólares, hasta un experimento interno de OpenAI que consumió 130 millones de dólares en tokens, los "accidentes" con costos de IA se multiplican. **¿Por qué explotan las facturas?** El cambio clave es el fin del modelo de tarifa plana. OpenAI, GitHub Copilot y otros han migrado a un **modelo de pago por uso basado en tokens** (entrada, salida y caché). Esto impacta especialmente a usuarios intensivos, como aquellos que ejecutan agentes de IA autónomos que trabajan durante horas. Algunos usuarios reportan que sus facturas mensuales se han multiplicado por 25 o más. El problema se agrava con malas prácticas. En Amazon, un ranking interno de uso de IA (KiroRank) incentivó a algunos empleados a consumir tokens innecesariamente solo para subir posiciones, un fenómeno llamado "token maxxing". Además, muchos usan modelos costosos para tareas simples, inflando la factura sin añadir valor. **¿Hay solución?** Emergen negocios que ayudan a optimizar estos costos. Empresas como Glean centralizan el conocimiento corporativo para que las IA trabajen con mejor contexto, reduciendo tokens desperdiciados. Otras, como Factory AI, enrutan tareas automáticamente al modelo más adecuado (y económico) para cada trabajo. Una investigación académica reciente respalda este enfoque, mostrando que un mayor consumo de tokens **no siempre se traduce en mejor precisión** y que los costos pueden variar hasta 30 veces para una misma tarea. El CEO de Glean, Arvind Jain, señala un punto de inflexión: por primera vez, **el costo de la tecnología (IA) empieza a equipararse al costo humano** en muchas empresas. La era del uso ilimitado y gratuito llega a su fin. Los ganadores en esta nueva fase serán aquellos que aprendan a gestionar y maximizar el valor de cada token.

marsbit06/01 11:21

Claude desborda los 500 millones, se multiplica por 60 en una noche, ¿tu factura de Tokens aún aguanta?

marsbit06/01 11:21

活动图片